2.1

Carrege o dataset gapminder, contido no pacote gapminder. Observe as primeiras 6 linhas com a função head() e descreva brevemente o que você observa. Quantas linhas este dataset tem? Utilize a função nrow():

# instale o pacote se necessário: install.packages(...)

# carregue o pacote
library(...)

# agora que você carregou o pacote, o objeto gapminder pode ser acessado. Dê uma olhada:
head(...)

# quantas linhas?
nrow(...)

2.2

Quantos anos estão disponíveis neste dataset? Quantas observações (“data-points”) existem para cada ano? Abaixo temos o código completo para responder a essas perguntas (lembre-se dos verbos do dplyr, e caso você não conheça alguma das funções, consulte help(...) ou ?...).

# Número de anos diferentes:

gapminder %>%
  select(year) %>%
  unique() %>%
  nrow()
  
# número de países disponíveis por ano?

gapminder %>%  
  group_by(year)
  summarize( n=n() )
  

2.3

Construa um scatterplot mostrando a relação entre gdpPercap e lifeExp em 1952. Utilize geom_point(). O que você observa?

# complete as lacunas

gapminder %>%  
  filter(year=="1952") %>%
  ggplot( aes(x=..., y=...)) +
    geom...

2.4

No gráfico anterior, um país se destaca. Qual? Complete o código abaixo para identificá-lo:

gapminder %>%
  filter(...)

Você deverá obter algo como:

## # A tibble: 1 x 6
##   country continent  year lifeExp    pop gdpPercap
##   <fct>   <fct>     <int>   <dbl>  <int>     <dbl>
## 1 Kuwait  Asia       1952    55.6 160000   108382.

2.5

Agora, contrua o mesmo scatterplot, mas sem exibir este país. Você percebe alguma tendência? Qual? Ela faz sentido? O que poderia melhorar na visualização?

# complete:

gapminder %>%
  filter(...) %>%
  ggplot(...

Você deve obter um gráfico como este:

2.6

Colora os pontos de acordo com seus continentes (coluna continent). No parâmetro aes(), use o argumento color (lembre-se de recorrer ao help(ggplot) ou ?ggplot)

gapminder %>%
  filter(...) %>%
  ggplot( aes(..., color=...)) +
    ...

2.7

Vamos adicionar mais uma variável à nossa visualização: fazer o tamanho dos círculos proporcional à população do país (pop). Isto é feito utilizando o argumento size de aes().

2.8 Bônus

Agora, tente o seguinte:

• experimente o tema theme_minimal() do ggplot2
• adicione transparência para os círculos com o argumento alpha em geom_point()
• ordene os dados por tamanho de população para colocar os círculos menores por cima dos maiores
• utilize a função ggplotly() do pacote plotly para tornar este gráfico interativo

Você deverá obter algo como este gráfico:

3.1 Uma distribuição

Utilizaremos um dataset contendo o preço de AirBnb por noite de ~1000 residências na Riviera francesa. Os dados estão armazenados no Github, e podem ser carregados da seguinte forma:

# Carregando o dataset a partir do github

data <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/1_OneNum.csv", header=TRUE)

data %>%
  ggplot( aes(...)) +
    geom_histogram()

data %>%
  fil.. %>%
  gg...
  

...
    geom_histogram(binwidth = ...)

3.2 Várias distribuições

Para esta secção, utilizaremos outro dataset armazenado no Github. Perguntas como Que probabilidade você designaria à frase Altamente provável foram respondidas em uma escala de 0-100. Estes dados nos permitem entender como as pessoas percebem o vocabulário de probabilidades. vamos carregar este dataset da seguinte forma:

# carregando os dados

data <- read.table("https://raw.githubusercontent.com/holtzy/Teaching/master/DATA/probability.csv", header=TRUE, sep=",")

data %>%
  ggplot( aes(x=..., y=..., fil=...)) +
    geom_boxplot()
    

library(forcats) #  desnecessário se você utilizou library(tidyverse)

data %>%
  mutate(text = fct_reorder(text, value, .fun = median)) %>%  
  ggplot( aes(...)) + 
    geom_box... + 
    theme( ... ) +
    ...
    
    

data %>%
  mutate(text = fct_reorder(text, value, .fun = median)) %>%
  ggplot(aes(x=text, y=value, fill=text)) +
    geom_boxplot() +
    geom_jitter(color="grey", width=.4, size=.5, alpha=.8) +
    theme(
      legend.position = "none"
    ) +
    coord_flip()

4.1

Dê uma olhada nos dados, e descreva-os. Quais gráficos podem ser utilizados para vizualisar estes dados? Qual seria o melhor, na sua opinião? Quais países estão no topo do ranking?

4.2

Comece com um gráfico de barras básico utlizando geom_bar(). Observação: por default geom_bar() aceita uma variável categórica como entrada, utilizada no eixo x, e conta o número de casos a cada posição x exibindo os no eixo y. No nosso caso, queremos um valor de y para cada grupo, por isso precisamos especificar stat="identity".

data %>%
  ggplot( ... ) +
    geom_bar(stat="identity")

4.3

Colora todas as barras com a mesma cor: #69b3a2. Não gostou da cor? Escolha outra. Você tem que utilizar fill ou color? Por quê?

4.4

Escolha uma cor diferente para cada barra. Você gosta do resultado? Ele é útil? Você entende a diferença entre adicionar a opção de cor dentro ou fora de aes()?

4.5

Os gráficos anteriores não são ideais, certo? O que você pode melhorar?

4.6

Tente o seguinte:

• utilize coord_flip() para obter uma versão horizontal

• observe o código abaixo para reordenar os países:

data %>%
  # reorganizar os dados
  arrange(Value) %>%
  mutate(Country=factor(Country,Country)) %>%
  
  # faça o gráfico
  ...
  

você deve obter algo como:

4.7

Um lollipop plot é utilizado sob as mesmas circunstâncias que um gráfico de barras. Contrua um com:

• geom_segment() para as linhas. Argumentos necessários são x, xend, y e yend.
• geom_point() para os círculos.

você deve obter:

4.8 Bônus

• Melhore o gráfico anterior com o tema theme_minimal.
• Pesquise treemaps. Aplique este gráfico para os dados acima. Você deve obter algo como o gráfico abaixo:
• Pesquise o que é um gráfico de barras circular (circular barchart). Quais são seus prós e contras? Tente implementá-lo em R e com ggplot2.

5.1

Construa um gráfico básico mostrando a evolução dos preços de bitcoin utilizando geom_line().

data %>%
  ggplot(...) +
    geom_line()

5.2

Faça agora um gráfico de área utilizando geom_area(). Utilize color e fill para customizar as cores do gráfico.

5.3

Selecione os últimos 10 valores utilizando tail(). Construa um scatterplot conectado (pontos ligados por linhas), com geom_point(), geom_line() e geom_area().

5.4 Bônus

Pesquise séries temporais. Tente utilizar o widget HTML dygraph para construir uma versão interativa deste gráfico. Você deve obter algo como: